量化交易——美国的现在，就是我们的未来

1 什么是量化投资？

我每次参加活动，听前面的嘉宾讲投资观点的时候，如此多指标及需要考虑的因素，每次听完都坚信投资并不简单。

股票的涨跌，长远来看是称重机，短期是投票器。

第一，看公司好不好，我们所谓的好公司，长期来看跟他的公司金融链有关系，但是短期来看，它就是投票器，很多时候与我们参与者的行为密切相关。这个市场是有规律的，连赌博这样没有规律的东西，都有人用方法找到规律，更何况我们的股票市场。

第二，股票市场的规律，有时间尺度的概念，如果时间周期拉长，当然是要看这个公司好不好；如果看短，我们在意的是参与者的行为，因为股票市场很神奇，任何人的做对或者做错都会第一时间反映在市场当中，而且国内的散户多、交易量多，其实就是交易次数多、容易受到外界的影响，所以犯错的机会就多。行为金融学告诉我们，非理性被我们利用了，这是一个动态演化的过程。人的动态行为在演化，但是在某些节点确实有非理性的情况存在，我们利用它就能发现市场规律。市场有规律，我们用什么方法，这个规律来自于什么？——来自于非理性人的行为规律。量化在乎的不是这个公司好不好，我们关心的是市场参与者怎么看待股票，市场参与者的行为往往是非常短期的、多变的。所以这是行为金融学给我们的启示。

人工智能并不是构建一个模型，让模型自己发现最优的策略，然后赚钱、收割。它是一种工具，有些人误解人工智能会对投资带来很大影响，其实在原来只画K线图的年代，K线图技术对那个时代的人来说已经是先进技术了，人工智能的应用在投资这个传统行业，对投资的影响力要放在这样一个话题——“传统行业如何利用时代的先进科技？”之下，从这个角度出发才能理解人工智能对我们投资的影响。

投资是传统的不能再传统、久远的不能再久远的领域，利用时代最先进的科技理论上必须是要能够战胜市场上大多数人的，正如20世纪爱德华·索普用量化的方法横扫华尔街。投资领域的哲学在不断的演化，在这个过程中必然要用到新的科技，现在信息这么发达，这个时候谁能够准确的在一大堆数据中分别出信号和噪音，就掌握了战胜市场的方法和路径。致诚卓远致力于α策略的程序化、自动化市场交易，已有五年的历史。

2 股票量化策略简析

❖ 量化：

量化投资如何战胜市场？对FOF而言，能不能获得α的超额收益；对投资人而言，为什么资金要给私募基金来管？无论是量化还是多头，因为他可以战胜市场。不然随着市场涨，我也涨，为什么不自己买股票呢？很多人问价值投资和量化投资有什么不同，西蒙斯和巴菲特有什么不同？

西蒙斯讲巴菲特是精耕细作的去种一些植物，植物长得很好，而他就是随便浇，有收成就行了，一个是粗放型，一个是精细型。我们往往会说他们的区别，我认为他们是一样的，虽然有人说量化要分金融量化或者其他量化，如果从定量的角度来讲，所有的投资都必须是量化的，什么时候买、什么时候卖，对风险进行衡量，即使不用机器选股票，人去选也要做定量分析。为什么西蒙斯用机器，用数理建模选股，他是天才的数学家，是不是数学就能够怎么怎么样？本质上还在于哲学，是投资周期不一样。我想讲一下西蒙斯的故事，在70、80年代的时候，做量化-文艺复兴基金之前，他也是根据自己的主观判断研究财务数据去投资，收益还不错，有人测算过，跟巴菲特的收益差不多。他不做的原因是自己预测对了觉得是自己英雄，预测错了觉得自己是失败者，对于天才来说当然不能忍受。

这么多年来巴菲特，老在承担一种质疑，别人都说他错过互联网那一波，他不懂科技。就这么过来，但是他还是股神。西蒙斯自己选股票，总是受到情绪的影响，赢的时候很开心，输的时候不爽，所以他选择了用机器选股。巴菲特预测是一个长周期的东西，他买的是一些可口可乐这样的百年好股票，他用很长时间评估一家公司的股票，当然不可能考虑几百毫秒内交易的价格。西蒙斯预测的是短时间的。70、80年代的时候，他的量化基金曾经发生过一次重大的回撤，最早西蒙斯的模型主要是短期信号识别和趋势跟随，对长周期的大趋势也有预测。后来70、80年代的时候，业绩下滑，于是西蒙斯和合伙人发生了冲突，导致分家。西蒙斯敏感地捕捉到量化模型应以短期信号识别、短期模型识别为主，后来他的“大奖章基金”超过标普500指数20%以上，年化平均收益30%以上，这就是以短期信号识别的模型做的产品，但这个产品在1993年的时候已经不对外募资了，93年之后大奖章基金没有接外部的钱，很多资金都被清掉了，之后都是员工和亲友的钱，规模在60-70亿美金，不是特别大。西蒙斯是上百亿美金的规模，他把短期模型产品的外部投资清出去，又搭建了一个长周期的模型，让机构投资者去买，目标是一千亿，但是这个产品据说是客户赎回之后，又不买新产品，效果相对弱一些。我说这么多想表明一点，其实两者主要在于时间周期不一样，时间长当然不用考虑这么多的数据；短期信号识别，当然要找科学家帮你建模去预测。短周期处理的数据量特别大，必须选择计算机做测试，用计算机这类先进的东西帮助计算、建模。因此周期不一样导致手段、工具不一样。

巴菲特把自己训练成一台机器，自己计算、预测、执行，他要自己承担投资交易当中的痛苦，理性、贪婪、恐惧，这是主观投资人必须承担的。量化是把想法写成计算机，计算机执行，计算机对结果进行反馈，这就是区别，一个是人去做，一个是机器人去做，但是最终想法是来自人，只不过选股交易是谁在做而已。

回到刚刚说的，短期来看这个市场，可以捕捉到很多的无效性。

第一，历史长河越长，人越理性，越文明。相比之下中世纪欧洲不理性的人更多。在某些节点，如果时间周期放短，会有大量的非理性，这也符合经济规律，因为人的理性到非理性是动态演变的，很多非理性随着时间的变化，随着博弈变成了理性。

第二，如果把时间放长远些，当然是公司的基本面越好股价越好，如果看短的话，即使公司基本面好的股票也会下跌，烂的公司也可能上涨。通过量化进行短期的信号识别，当在短期的市场表现出无效性市场越明显时，发挥计算机能力的优势越强。

第三，要发挥自己的比较优势，西蒙斯数理、计算机强，当然选择短周期的市场，短期来看这个市场越无效，量化的用武空间越大，如果把时间周期放长，机器不一定比人强，当然如果把周期放短，做短期信号预测，当然机器比人强，这就是量化。量化的手段是通过把人的想法写入计算机，计算机执行。西蒙斯单个产品里有一套的模型，单个模型不怎么样，但是它们组合在一起，尤其是所追求的短期信号如此之多，钱就像流水一样流进他的账户里面。表明首先是周期的问题，预测的周期不一样，自己的比较优势不一样，像巴菲特永远不在乎别人对他的看法，他当然不受到别人的影响，他没有西蒙斯这样的困惑，突然有一天觉得自己是狗熊，有一天觉得自己是英雄。

❖ 对冲：

如果量化是获得超额收益的工具，对冲就是分散风险的工具。对冲不一定是做多少股票、股指期货，这只是一种。实际上从控制风险角度讲，对冲的手段包括时间的对冲和空间的对冲。时间的对冲，就是股票持有时间越短，承担的风险越小，不断的换股也是一种风险对冲，空间的对冲就是投市场或跨市场许多分散的票，这也是一种对冲。量化和对冲一个是获得收益的工具，一个是控制风险的手段。国内用股指期货对冲，还需要一个衍生品，例如我们2010年有一个沪深300的期货，2015年中证500股指期货。以上是我对量化对冲的理解。

3 量化前景

作为量化投资者，我经常问自己一个问题。这个领域，用这一套模式，量化有前途吗？天花板多高？

美国——1968年爱德华发行第一支量化补充基金，1988年文艺复兴发行大量基金，近几年，尤其是08年金融危机之后，美国量化基金又产生了一些新闻。因为08年很多人在美国把所谓金融危机归结到量化基金上，我记得索罗斯、西蒙斯还去国会听证，最后美国的意见认为他们并不是导致金融危机的始作俑者。

我们在国内很难找到巴菲特这样的人，而在美国很容易找到跟他差不了太多的人，海外前十大对冲基金都跟量化有关系，国外从1968年到现在仍然以量化为主，美国虽然只有20%左右的资产规模是量化机构在管理，但是每天的交易量中有85%左右是由计算机交易提供的算法交易。

相比于中国，美国的机构如此成熟，大多数在做量化，交易层面也是量化，仍然还是以量化对冲基金作为趋势和主流。在美国，做量化之外的基金规模的占比在逐渐缩小。我们在中国做量化有没有前途，就看美国，美国已经成熟发展这么多年仍然以量化为主，中国具有后发优势，和美国的差距反而成为我们的优势。

我们再来看中国，长期以来中国市场交易量远比美股和港股活跃，我们的市场结构是个人投资者或者类似机构的个人投资者为主。我并不是对质疑或者贬低个人投资者，逻辑很简单，想在一个市场里面赚钱，必须要付出天赋和努力。股市不像律师或会计，还需要考证，股市有点钱就可以炒股，而且炒股的人都是有点钱的人、在自己领域做的不错的人，这样的心理特征是觉得自己很牛，在原来领域的牛可以迁移到股票市场，更容易体现非理性、误判和认知偏差。

机构或者个人做量化、选择量化是有未来的，只要这个量化基金投资策略是与时俱进的、有预测性的，不需要考虑太多这个行业会不会衰落，因为美国高速发展这么多年还是以量化为主。中国市场非常适合做量化，正如张总讲α比较明显，就是非理性比较多、大家不成熟，市场里有很多不专业的投资者，所以这个市场比较符合我们做量化的背景。

4 量化投资的优势

相对而言，量化投资的优势是什么呢？用量化投资并没有天然的比价值投资或者其他主观投资在哲学层面上有优势，但是至少肯定有它存在的原因：第一，纪律性，量化投资者有一个特点就是守纪律。巴菲特有自己的主观能动性，有自己的判断，按照自己的原则去执行他的交易、选股，但是大部分投资者不具备巴菲特的这种能力。因为人都是不理性的。某些行为习惯跟人不一样，就会被自己的部落抛弃，在原始社会这是很常见的。现在人的从众、短视是由于九万年的基因，而我们农业社会才几千年，工业社会才几百年，信息社会才几十年，理性投资者的眼光当然战胜不了几万年的基因，所以大部分人肯定是不理性的。连西蒙斯都受到情绪的影响，更不要说一般人。而计算机无所谓，输入进去符合条件就成交，不符合条件就不成交。

第二，系统性，西蒙斯的单个模型很一般，但是组合在一起很快，偏向唯快不破。如果一个人掌握很多的模型和技术分析方法，掌握的越多，赚钱的概率越高，风险越低。但是试想即使脑子中成千上万的模型都不错，但是选股的一刹那，一般人只可能用一个模型去观测少数几个股票，但是电脑可以同时考虑几个模型，A股票用这个模型成交，B股票用那个模型，这个时候人和机器是没有办法比的。

第三，及时性、准确性。人可能存在手抖、出现失误，但是用机器把模型、程序算好，把BUG消除，错误率会降到很低。

第四，分散化。一个价值投资者做过一个统计：用20支股票计算发现单支股票对整个净值的影响很小，更何况很多的量化成百支、上千支股票都有。单支股票的影响很小，所以分散化是很重要的。巴菲特有两个原则，一是不要亏损，二是不要忘记第一个原则。能不能赚钱，能不能把收益保存下来，安全、分散的投资可以做到这一点。量化投资，在哲学层面和其他投资是平等的，但在短周期的角度来看机器比人更强。

5 量化策略逻辑

·行为金融学。常规做量化模型，无外乎选股、策略和策略本身的逻辑。行为金融学告诉我们市场是有规律的，尤其在追求短期波动的量化时，短期内行为人的非理性是有规律的，这些非理性大部分已经反映在量价或者其他数据当中了，我们通过对数据变化规律进行研究，就能得到一个有效的模型。

·人工智能。就我看来，人工智能不代表它就一定要从投资等传统行业的角度思考如何利用时代先进科技的维度去理解它，我们现在用人工智能，就像20世纪初用手工计算的K线图，是用时代先进的认知工具去帮助发觉市场规律，仅此而已。只不过我们这个时代信息化发展如此之快，通讯、计算机算法很发达。因为人工智能50年代就开始流行，那个时候有了人工智能三盘棋：西洋棋，象棋、围棋，这个过程不像我们想象得那么突然，它是一个缓慢渐进的过程，我们应该用时代最先进的科技做投资。

·资产组合配置。爱德华曾经在赌场发现一个有效赌博的模型，但一开始仍然亏钱，于是他找到同事凯利，凯利用数学方法，运用凯利公式，得到一个高胜率的模型，这个模型用资金管理计算方法让模型发挥最大效用，于是爱德华找到凯利才能横扫华尔街。选股模型要通过人工智能或者计算机、统计方法找到有效的模型，同时也要匹配一个最佳动态演化的资金管理模型。根据这一套方法认识工具论、大数定律。

大数定律跟时间尺度有关系，严格来讲要考虑两点：一是模型一次能赚多少钱，二是和时间周期有关的每次交易成本。再往下说一点，因为中国是T+1制度，所以我们不能预测半秒之后的涨跌，肯定要预测超过一天的涨跌。在约束条件之下，在追求最大化交易次数的同时要考虑交易成本和流动性的情况，但是在那个时间节点，综合所有的因素，应该要最大化交易次数。根据大数定律，投十次不成功很正常，但是投一万次，可能一半是成功的。这就是量化选股体系，包括认识论、工具论、资金管理和大数定律。

·市场中性。常规来讲，都要预测市场涨跌，但是我们不预测长周期的，当然要预测短周期的。选股都是有预测，只不过量化对冲不做长周期的判断。在样本内在通过大量的数据预测一定时间周期里股票呈现什么样的特征，并用样本内外数据进行测试。

市场参与者的行为习惯，不管是理性或者非理性，会受到交易制度以及其他约束条件的影响，这些影响都会通过数据统计出来。量化其实是有根源的，它要追溯到人性和人的行为，在哲学层面跟价值投资没有什么区别。

人工智能在投资领域更像是智能增强，首先是人的想法最重要，因为逻辑很简单，谷歌最强的人工智能是DeepMind，它代表最强的人工智能水平。但是我们发现1950年代，那个时候还没有谷歌，当时有一个人工智能程序下西洋棋战胜了人类，引发了人类对人工智能的恐惧和很多影视题材的关注。到上世纪90年代，IBM深蓝战胜卡斯帕罗夫，2016年AlphaGo战胜李世石，现在人工智能的计算能力、计算速度以及对数据的处理能力远超当时，但是不代表现在人工智能可以完全替代人类。目前有看到下围棋很厉害的机器，但是没有看到既下围棋又下西洋棋的机器，因为它要考虑宏观、微观的因素。人工智能是把人的想法让计算机实现，只不过现在的人工智能让你处理更多维度的数据，现在的人工智能比以前计算机手段能够计算得更快，仅此而已。

科技改变人类生活习惯，人使用工具的同时，工具也在改变人类。

为什么当时发明K线图很厉害，因为没有其他人做到。举例，如果不同K线上有不同的形态，有可能在不同的K线上用不同的模型。如果用以前的计算机方法，当然没法解决了，但现在人工智能的方法，可以更灵敏、更准确、更多维度把握股票的特征，这就是先进科技、人工智能对我们量化投资的影响。

资产管理模式，就不多讲了。即使有一个很好的模型，如果仓位管理不好、资金管理不好，也可能得到不好的结果。找到好的模型，也要匹配模型的仓位管理模型。我们要在外生变量：约束条件如交易规则、此时此刻的交易量、交易成本、流动性等方面的控制下，来做最大化交易次数。